[发明专利]一种预测波次订单量的方法和装置

说明书

本发明公开了一种预测波次订单量的方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：根据待预测波次的起始时间、终止时间以及预设的时间粒度，确定待预测时间切片；判断所述待预测波次在所述预测时间切片内是否存在前波次；如果存在，则根据所述前波次在预测时间切片内的订单量和待预测波次的特征信息，确定所述待预测波次的订单量；否则，根据所述待预测波次的特征信息，确定所述待预测波次的订单量。该方法考虑到连续波次间的相互影响并且是基于时间粒度预测波次单量，不是仅依靠每个波次历史时间规律进行预测，所以预测时不会受波次时间变化的影响，其预测出的波次订单量更加准确。

技术领域

本发明涉及计算机技术领域，尤其涉及一种预测波次订单量的方法和装置。

背景技术

由于经营品类增加、新仓库、配送站点不断增加等原因，仓库生产中每个波次的生产时间、波次序号会不定期的发生变化，甚至会根据生产需要增加或减少一天当中的生产波次数量。例如在仓库覆盖范围内增加了新的配送站点，如果配送量大，则会在仓库生产中增加波次来满足配送站点的需要。在促销活动中，一些仓库又会因为连续生产而将一天中的生产波次合并为1个。

现有技术中，是通过单独统计每个历史波次的时间规律，基于该时间规律对波次订单进行预测。预测建模是基于历史波次的时间规律，因此波次时间、个数的调整会使模型失效，必须在调整的时间相关数据稳定后重新建模。而且，新模型很可能由于样本量的稀少，通常不会表现太好。以及，在预测订单量时，没有考虑前波次对当前波次的影响。

发明内容

有鉴于此，本发明实施例提供一种预测波次订单量的方法和装置，能够考虑到连续波次间的相互影响，并且是基于时间粒度预测波次单量，不是仅依靠每个单独波次历史时间规律进行预测，所以预测时不会受波次时间变化的影响，其预测出的波次订单量更加准确。

为实现上述目的，根据本发明实施例的一个方面，提供了一种的预测波次订单量方法。

本发明实施例的预测波次订单量的方法包括：根据待预测波次的起始时间、终止时间以及预设的时间粒度，确定待预测时间切片；判断所述待预测波次在所述预测时间切片内是否存在前波次；如果存在，则根据所述前波次在预测时间切片内的订单量和待预测波次的特征信息，确定所述待预测波次的订单量；否则，根据所述待预测波次的特征信息，确定所述待预测波次的订单量。

可选地，根据所述前波次在预测时间切片内的订单量和待预测波次的特征信息，确定所述待预测波次的订单量的步骤包括：根据待预测波次的起始时间和终止时间，将所述待预测时间切片划分为起始时间切片、中间时间切片和终止时间切片；以及，根据待预测波次的指标数据和预测模型，分别确定出起始时间切片、中间时间切片和终止时间切片的订单量；根据所述前波次在所述起始时间切片内的订单量，以及所述起始时间切片的订单量，确定出所述待预测波次的第一订单量；根据所述待预测波次的终止时间和所述终止时间切片的订单量，确定出所述待预测波次的第二订单量；汇总所述第一次订单量、第二订单量和所述中间时间切片的订单量，确定出待预测波次的订单量。

可选地，根据所述待预测波次的特征信息，确定所述待预测波次的订单量的步骤包括：根据待预测波次的指标数据和预测模型，确定出所述待预测时间切片的订单量；根据所述待预测波次的终止时间和所述待预测时间切片的订单量，确定出所述待预测波次的订单量。

可选地，还包括：根据历史订单数据的订单时间和所述时间粒度，对获取的历史订单数据进行分组；将每组中包括的历史订单数据的订单时间进行取整；根据取整后的历史订单数据和历史订单数据的特征信息，训练得到预测模型。

可选地，根据取整后的历史订单数据和历史订单数据的特征信息，训练得到预测模型的步骤包括：构建神经网络结构，所述神经网络结构的激活函数为稀疏激活函数；根据取整后的历史订单数据和历史订单数据的特征信息，训练所述神经网络结构以得到预测模型。

可选地，特征信息至少包括：波次所在日期对应的周中日，年中周、月中日。